深度特征对于传统机器学习算法适配性研究

通过模拟人类解决问题的方式,将“人类”的思想注入机器学习过程已经逐渐成为现阶段人工智能的热点,其中深度学习由于其强大的拟合能力以及惊艳的效果而备受研究者们青睐。通过对大量数据的先验拟合,深度模型已逐渐成为智能领域特征工程的标配,在图像、文本、视频等领域涌现出一批优秀的基准模型。深度特征对于深度模型有着极好的适配性,但深度特征是否能一如既往地适配传统模型,以应对传统模型对于数据依赖以及低算力计算机支持,助力深度模型的学习过程与可解释性,并推动传统算法与深度学习的融合,是一个值得深入探索的问题。

基于Thrift的HBase数据存储机制优化

针对Thrift接口服务定义的IDL对HBase数据库按行存储,当数据量大时频繁进行数据请求操作,增加服务调用时间,影响数据通信性能的问题,在详细分析Thrift源码架构基础上,提出了一种新的Thrift IDL设计模型。该模型重新定义了数据传输结构,将多行数据绑定在一起,经过一次RPC调用即可完成多行数据按块存储;采用新的IDL模型,修改了HBase Thrift 服务端的接口以及客户端的非阻塞实现。理论分析和实验结果表明,该方法可有效降低IDL向服务端发送数据操作请求频率,使得HBase储存效率提高4～5倍。

大数据技术在煤企发展中的展望

阐述了煤炭数据的特征,分析了煤炭企业面临的困难以及目前大数据技术在煤炭企业的应用现状。根据煤炭企业自身特点,对煤炭企业以后在数据信息管理、分析、共享、专业人才培养以及行业体系规范方面进行了展望,并探讨了大数据技术在煤企中的发展方向。